基于状态识别RIME-DLEM多变量时间序列预测的风速预测系统技术方案

本发明专利技术公开了一种基于状态识别RIME‑DLEM多变量时间序列预测的风速预测系统，包括数据收集模块、数据处理模块、预测结果评估模块、结果输出模块、迁移学习模块和强化学习模块；利用HMM单元和RIME‑DLEM单元提取风速特征数据，利用RIME‑DLEM单元处理具有随机性和不确定性的风速数据，利用HMM单元处理具有时序性和趋势性的风速数据，通过将两者结合起来，可以充分结合两者的优势，从而提高系统的准确性、稳定性和可靠性，解决单一时间序列法预测精度低的问题；同时，本发明专利技术通过引入迁移学习子模块提高学习效率、增强泛化能力、降低数据需求，通过引入强化学习子模块，可进一步提高系统的准确性和适应性。

【技术实现步骤摘要】

本专利技术涉及风速预测，尤其涉及一种基于状态识别rime-dlem多变量时间序列预测的风速预测系统。

技术介绍

1、风速预测是指利用气象学、统计学和人工智能等技术，对未来一段时间内的风速进行预测。风速预测在能源、交通、农业、环境等领域具有广泛的应用价值，如风力发电、风力涡轮机、气象预报、空气质量监测等。现有风速预测系统存在以下缺陷：一是由于风速的复杂性和多变性，现有的风速预测系统所采用的时间序列法存在精度低的问题；二是为了保证风速预测的准确性，现有的风速预测系统需要大量的历史数据来进行模型训练，然而在实际应用中，可能无法获取足够的数据量，这导致预测的准确性较差；三是现有风速预测系统适应性不足，由于其是在特定的气候和气象条件下进行训练和预测，因此在其他条件下的预测性能可能会受到影响，并且随着气候和气象条件的变化，预测模型的性能也可能会下降。

技术实现思路

1、专利技术目的：本专利技术的目的是提供一种基于状态识别rime-dlem多变量时间序列预测的风速预测系统，来提高系统的准确性、稳定性和可靠性，从而解决单一时本文档来自技高网...

【技术保护点】

1.一种基于状态识别RIME-DLEM多变量时间序列预测的风速预测系统，其特征在于，包括数据收集模块（1）、数据处理模块（2）、预测结果评估模块（3）、结果输出模块（4）、迁移学习模块（5）和强化学习模块（6），其特征在于：所述数据处理模块（2）分别与数据收集模块（1）、预测结果评估模块（3）、迁移学习模块（5）和强化学习模块（6）建立数据连接，预测结果评估模块（3）与结果输出模块（4）建立数据连接。

2.根据权利要求1所述的基于状态识别RIME-DLEM多变量时间序列预测的风速预测系统，其特征在于，所述数据收集模块（1）包括历史风速数据获取子模块（11）、气象数据获取子模块...

【技术特征摘要】

1.一种基于状态识别rime-dlem多变量时间序列预测的风速预测系统，其特征在于，包括数据收集模块（1）、数据处理模块（2）、预测结果评估模块（3）、结果输出模块（4）、迁移学习模块（5）和强化学习模块（6），其特征在于：所述数据处理模块（2）分别与数据收集模块（1）、预测结果评估模块（3）、迁移学习模块（5）和强化学习模块（6）建立数据连接，预测结果评估模块（3）与结果输出模块（4）建立数据连接。

2.根据权利要求1所述的基于状态识别rime-dlem多变量时间序列预测的风速预测系统，其特征在于，所述数据收集模块（1）包括历史风速数据获取子模块（11）、气象数据获取子模块（12）和其他数据获取子模块（13）。

3.根据权利要求2所述的基于状态识别rime-dlem多变量时间序列预测的风速预测系统，其特征在于，所述气象数据获取子模块（12）包括温度数据获取单元（121）、湿度数据获取单元（122）、气压数据获取单元（123）、云量数据获取单元（124）和风向数据获取单元（125）。

4.根据权利要求2所述的基于状态识别rime-dlem多变量时间序列预测的风速预测系统，其特征在于，所述其他数据获取子模块（13）包括地形数据获取单元（131）、植被数据获取单元（132）和气候数据获取单元（133）。

5.根据权利要求1所述的基于状态识别rime-dlem多变量时间序列预测的风速预测系统，其特征在于，所述数据处理模块（2）包括数据预处理子模块（21）、特征...

【专利技术属性】
技术研发人员：曹广喜，凌美君，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：